Χαρτογράφηση και κατανόηση του ρόλου της τεχνητής νοημοσύνης στη στρατηγική ανταγωνιστικότητας της Ε.Ε.

Abstract

Η παρούσα μεταπτυχιακή διπλωματική εξετάζει τον ρόλο της Τεχνητής Νοημοσύνης (ΤΝ) ως τεχνολογίας γενικής εφαρμογής στην ανασυγκρότηση της ευρωπαϊκής ανταγωνιστικότητας, υπό το πρίσμα της «Πυξίδας Ανταγωνιστικότητας» της Ευρωπαϊκής Επιτροπής (29.1.2025) και των διαγνωστικών πορισμάτων της έκθεσης Draghi (2024). Αναλύεται η τριπλή στρατηγική αρχιτεκτονική Καινοτομία–Απανθρακοποίηση–Ασφάλεια και αποτιμάται πώς η ΤΝ λειτουργεί ως καταλύτης παραγωγικότητας, βιομηχανικής αναβάθμισης και πράσινης μετάβασης, χωρίς να υπονομεύεται η προστασία θεμελιωδών δικαιωμάτων. Κεντρικό αντικείμενο αποτελεί η συνεξέταση του κανονιστικού πλαισίου του Κανονισμού (ΕΕ) 2024/1689 (AI Act) και των μηχανισμών υλοποίησης (EDIHs, TEFs, AI factories, InvestAI, Apply AI), ως συνδυασμού νομικής ασφάλειας, υποδομών υπολογιστικής ισχύος και επενδυτικών κινήτρων. Η εμπειρική συνιστώσα οργανώνεται σε τρεις άξονες: (α) χαρτογράφηση υιοθέτησης ΤΝ από επιχειρήσεις, (β) αποτύπωση καινοτομίας μέσω δεδομένων πατεντών, και (γ) συσχέτιση δεικτών ΤΝ με δαπάνες Ε&Α και μακροοικονομικές επιδόσεις. Τα ευρήματα αναδεικνύουν έντονες διακρατικές και περιφερειακές αποκλίσεις, υποδεικνύοντας ότι η ανταγωνιστική σύγκλιση προϋποθέτει στοχευμένες πολιτικές διάχυσης, ενίσχυση δεξιοτήτων και πρόσβαση σε υποδομές υπολογιστικής ισχύος, με ταυτόχρονη αναλογική κανονιστική συμμόρφωση.This thesis investigates Artificial Intelligence (AI) as a general-purpose technology shaping Europe’s competitiveness agenda, drawing on the European Commission’s “Competitiveness Compass” (2025) and the Draghi report (2024). It examines the policy triad Innovation–Decarbonisation–Security and evaluates how AI can raise productivity, upgrade industrial capabilities, and accelerate the green transition while preserving fundamental rights and legal certainty. A core contribution is the joint analysis of the EU Artificial Intelligence Act (Regulation (EU) 2024/1689) and the implementation toolbox that operationalises it (European Digital Innovation Hubs, Testing and Experimentation Facilities, AI factories, and flagship investment initiatives), understood as an integrated package of risk-based governance, compute infrastructure, and incentives. The empirical component is organised around three strands: (a) mapping business adoption of AI, (b) capturing innovation dynamics through patent-based indicators, and (c) relating AI intensity to R&D expenditure and selected macroeconomic performance measures. Findings point to persistent cross-country and regional disparities, suggesting that competitive convergence depends on targeted diffusion policies, skills formation, and affordable access to compute infrastructures, paired with proportionate compliance and regulatory learning.